[논문 리뷰] Comparative Analysis of Shear Strength Prediction Models for Reinforced Concrete Slab-Column Connections

Sarmed Wahab, Nasim Shakouri Mahmoudabadi외 5명|arXiv (Cornell University)|2023. 09. 29.

Structural Behavior of Reinforced Concrete인용 수 4

한 줄 요약

이 연구는 기계학습(PSOFNN, BATFNN, FNN), 설계 규격(ACI 318-19, EC2, CFP) 및 유한요소해석(FEA)을 사용하여 철근 콘크리트 슬래브-기둥 연결부의 전단 강도 예측 모델을 비교한다. PSOFNN는 R² 99.37%, MSE 0.0275%, MAE 1.214%를 기록하여 모든 모델 중 가장 뛰어난 정확도를 보이며 전단 강도 예측의 우수한 성능을 입증한다.

ABSTRACT

This research aims at comparative analysis of shear strength prediction at slab-column connection, unifying machine learning, design codes and Finite Element Analysis. Current design codes (CDCs) of ACI 318-19 (ACI), Eurocode 2 (EC2), Compressive Force Path (CFP) method, Feed Forward Neural Network (FNN) based Artificial Neural Network (ANN), PSO-based FNN (PSOFNN), and BAT algorithm-based BATFNN are used. The study is complemented with FEA of slab for validating the experimental results and machine learning predictions.In the case of hybrid models of PSOFNN and BATFNN, mean square error is used as an objective function to obtain the optimized values of the weights, that are used by Feed Forward Neural Network to perform predictions on the slab data. Seven different models of PSOFNN, BATFNN, and FNN are trained on this data and the results exhibited that PSOFNN is the best model overall. PSOFNN has the best results for SCS=1 with highest value of R as 99.37% and lowest of MSE, and MAE values of 0.0275%, and 1.214% respectively which are better than the best FNN model for SCS=4 having the values of R, MSE, and MAE as 97.464%, 0.0492%, and 1.43%, respectively.

연구 동기 및 목표

• 철근 콘크리트 슬래브-기둥 연결부의 전단 강도 예측 모델의 정확도를 평가하고 비교하는 것.
• 기계학습 모델(FNN, PSOFNN, BATFNN)을 기존 설계 규격(ACI 318-19, EC2, CFP) 및 FEA와 융합하여 예측 성능을 향상시키는 것.
• 유한요소해석(FEA)을 통해 실험 결과를 검증하고 메타휴리스틱 알고리즘을 활용해 기계학습 모델을 최적화하는 것.
• 실제 구조 설계 응용에 가장 정확한 예측 모델을 식별하는 것.
• R², MSE, MAE와 같은 통계적 지표를 사용해 하이브리드 모델의 성능을 정량화하는 것.

제안 방법

• 실험적 슬래브-기둥 연결부 데이터를 기반으로 표준 FNN, PSO 최적화 FNN(PSOFNN), BAT 알고리즘 최적화 FNN(BATFNN)의 세 가지 유형의 전방향 신경망을 훈련시켰다.
• PSOFNN 및 BATFNN 모델에서 네트워크 가중치를 최적화하기 위해 평균 제곱오차(MSE)를 목적 함수로 사용했다.
• 실험 결과의 타당성을 검증하고 모델 훈련을 지원하기 위해 슬래브-기둥 연결부에 대한 유한요소해석(FEA)을 수행했다.
• 통계적 지표인 R², MSE, MAE를 사용하여 PSOFNN, BATFNN, FNN의 7가지 구성에 대한 모델 성능을 비교했다.
• 수렴성과 정확도 향상을 위해 메타휴리스틱 최적화(PSO 및 BAT)를 적용하여 신경망 가중치를 향상시켰다.
• 하중 조건에 따라 다양한 전단 강도 시나리오(스캐빈지 조건 SCS=1에서 SCS=4까지)를 대상으로 모델 성능을 평가하여 견고성을 점검했다.

실험 결과

연구 질문

• RQ1 PSOFNN, BATFNN, FNN 모델은 철근 콘크리트 슬래브-기둥 연결부의 전단 강도 예측에서 어떻게 비교되는가?
• RQ2 기계학습 모델은 전단 강도 예측에서 기존 설계 규격(ACI 318-19, EC2, CFP)과 비교해 어떤 성능을 보이는가?
• RQ3 유한요소해석은 실험 데이터의 신뢰성 및 모델 검증을 얼마나 향상시키는가?
• RQ4 다양한 전단 강도 시나리오에서 가장 높은 R², 가장 낮은 MSE, 가장 낮은 MAE를 기록하는 모델은 무엇인가?
• RQ5 메타휴리스틱 최적화 기법(PSO 및 BAT)은 이 맥락에서 신경망의 예측 정확도를 어떻게 향상시키는가?

주요 결과

• PSOFNN는 SCS=1에서 최고의 R² 값인 99.37%를 기록했으며, SCS=4에서 가장 높은 성능을 보인 FNN 모델(R² = 97.464%)보다 뚜렷이 뛰어났다.
• PSOFNN는 모든 모델 및 시나리오에서 가장 낮은 평균 제곱오차(MSE) 0.0275%와 평균 절대오차(MAE) 1.214%를 기록했다.
• SCS=4에서 FNN 모델은 R² 97.464%, MSE 0.0492%, MAE 1.43%를 기록하여 PSOFNN보다 낮은 정확도를 보였다.
• PSOFNN는 모든 성능 지표에서 BATFNN 및 FNN를 지속적으로 능가하여 더 뛰어난 일반화 능력과 최적화 성능을 입증했다.
• 유한요소해석은 실험 결과를 성공적으로 검증하였으며, 모델 훈련에 사용된 데이터 세트의 신뢰성을 확인했다.
• 메타휴리스틱 알고리즘(PSO 및 BAT)을 FNN에 통합함으로써 표준 FNN에 비해 예측 정확도가 크게 향상되었다.